Стяжка из отсева пропорции


Стяжка из отсева и цемента 👉 замес смеси, этапы подготовки и заливки раствора

Бетонные растворы для стяжки в основном изготавливаются из смеси песка и цемента. Однако замена песка отсевом с малым размером крошки позволяет удешевить работы без ущерба технологическому процессу. Так как отсев — это отход производства, полученный при дроблении горной породы, то его размер может достигать 1 см. Бетон для стяжки пола, в котором песок заменен отсевом, приобретает дополнительную прочность и плотность. Однако эксплуатационные характеристики полученного состава остаются теми же, что и при использовании песка.

Гранитный отсев

Основные принципы формирования бетонной смеси

Основной сложностью при приготовлении бетона из отсевной смеси и цемента является точность в соблюдении пропорций. Надо следовать инструкции, так как в противном случае нельзя гарантировать высокого качества и прочности полученного раствора.

  • При разведении бетонной смеси из отсева и цемента в обязательном порядке добавлять пластификатор.
  • Пластификатор берется из расчета 1 литр на 20-40 кг цемента.
  • Пластификатор нужен, чтобы бетонная стяжка давала меньшую усадку и не трескалась.
  • Максимальный размер фракции не более 0,2-0,5 мм.
  • Состав отсева брать чистый, без содержания органических и глиняных частиц.
  • Чем крупнее крошка, тем крепче получается бетон и меньше поддается растрескиванию. Однако состав с крупной фракцией трудно укладывать и выравнивать. Поэтому это надо выполнять, имея опыт подобной работы.
  • Для получения раствора марки М-150 лучше всего подойдет цемент марки М400.
  • Данным составом можно выполнить бетонную стяжку пола высотой до 10 см.
  • Полученная смесь в готовом состоянии должна быть упругой, не растекаться. Вылепленный из нее комок будет плотным, не рассыпчатым.

Бетонный состав замешивается из цемента и отсева в пропорции 1:8. При этом надо следовать норме, по которой процентный состав воды не должен превышать 1/5 от общего количества полученного бетона.

Армирование пола под стяжку

Процесс изготовления состава для стяжки

Чтобы приготовить качественный состав из отсева, обязательно использовать бетономешалку. Руками или дрелью данный состав вымесить не получится.

Приготовление и распределение раствора

Инструменты и материалы, которые понадобятся для работ:

  • мелкофракционный отсевной песок;
  • пластификатор;
  • цемент М400;
  • вода;
  • бетономешалка.

Чтобы получить качественный раствор, надо внимательно следить за датой выпуска материала. При хранении смесь за месяц теряет до 10% прочности.

Увеличение или уменьшение содержания одного из элементов материалов, входящих в состав раствора, приведет к нарушению пропорции и последующей деформации стяжки.

Выравнивание смеси

Для приготовления раствора используется чистая вода, без примесей и солей.

Когда стяжка для пола из отсева и цемента включает в состав уплотнители, то это приведет к лишним затратам на покупку, так как они необходимы только при дорожном строительстве.

При замешивании бетонного раствора в бетономешалке нужно следовать определенному порядку закладки материала:

  • включить механизм;
  • засыпать внутрь крошку с цементом;
  • перемешать в течение нескольких минут;
  • добавить воду;

Вымесить бетон до получения однородной консистенции, постепенно подливая воду.

Замес ингредиентов

В зависимости от размера крошки отсев может быть использован как песок или как щебенка.

О том, какой должна быть качественная стяжка и какие компоненты в нее входят, смотрите на видео:

Вконтакте

Facebook

Twitter

Google+

Средняя оценка оценок более 0 Поделиться ссылкой

Бетон из отсева и цемента

При возведении собственного дома, дачи или гаража одним из главных критериев для многих застройщиков является цена — вопрос, который решается чаще всего за счет поиска и применения дешевых материалов.

При постройке дома главное внимание уделяется цене.

Одним из вариантов является применение экономичного и обладающего достаточными механическими характеристиками бетона из отсева.

Количество отсева и качество бетона

В качестве отсева используют отходы, получаемые при производстве товарного гранитного щебня и продукты вторичного использования стройматериалов — бетонную и кирпичную крошку. Размер фракции отсева составляет от 1 до 10 мм, для использования в виде наполнителя для бетона желательно использовать отсев с размером частиц 1,5 — 4,0 мм.

Гранитный отсев по своим прочностным качествам является более предпочтительным и может применяться для заливки фундаментов и изготовления ответственных конструкций в промышленном и гражданском строительстве.

Отсев из строительных отходов менее прочен, поэтому его рекомендуется применять на объектах с менее жесткими требованиями к надежности и долговечности — при ремонте дорог, благоустройстве территорий, строительстве подсобных зданий и сооружений.

В качестве наполнителя отсев редко используется в чистом виде, чаще в целях экономии им замещают некоторую часть песка или фракционного щебня, желательно не более 1 части общей пропорции материалов в составе смеси. Например, пропорциональный массовый состав цемента, щебня и песка (Ц:Щ:П) для приготовления бетона М150 составляет 1:4,6:3,6 при использовании марки цемента М400 и 1:6,6:4,5 при использовании цемента М500.

Количество отсева и качество бетона.

При частичном замещении щебня и песка отсевом пропорция Ц:Щ:П:О будет составлять 1:3,6:2,6:2 и 1:5,6:3,5:2 соответственно. Приготовленный бетон по прочностным характеристикам будет соответствовать марке М150, его можно использовать для устройства стяжки, дорожек, площадок, фундаментов неответственных одноэтажных построек.

При заливке бетонной площадки отсевом можно полностью заменить другие виды крупного и мелкого наполнителя, в том числе для устройства песчаной подушки. Для бетона из отсева и цемента пропорции компонентов Ц:О составляют 1:8. Для обеспечения необходимой прочности и жесткости обязательна установка армокаркаса из металлической сетки.

Цемент как основной компонент

Как и в случае применения стандартных видов наполнителя, технические характеристики бетонной смеси с отсевом обеспечиваются главным образом вяжущим материалом. Для приготовления бетона с отсевом в качестве вяжущего применяется исключительно цемент высоких марок — М400 и М500, обеспечивающий высокую степень адгезии с поверхностью зерен наполнителя.

Распространенной среди непрофессионалов ошибкой является увеличение пропорции цемента в составе раствора для повышения прочностных качеств бетона, приводящее к обратному результату. Избыток цемента нарушает структуру материала и снижает механические связи между зернами наполнителя, повышает хрупкость готового изделия.

Вне зависимости от назначения и ответственности бетонной конструкции не следует применять цемент с истекшим сроком годности или смешивать его с новым.. По истечении гарантийного срока или при нарушении условий хранения цемент в результате своей гигроскопичности насыщается влагой, комкуется и теряет прочностные характеристики.

Вода, ее качество и количество

От качества применяемой для затворения строительных растворов и бетонов воды во многом зависят их конечные прочностные характеристики. Она не должна содержать посторонних механических примесей и органических включений, содержащихся в открытых водоемах, морской воде и трубопроводах технического водоснабжения, а также следов жира и нефтепродуктов.

Количество воды при замешивании.

Для изготовления должна применяться вода из системы питьевого водоснабжения. Особенно это касается бетона с использованием отсева, в котором возможно присутствие пыли и мелкодисперсных частиц породы, битого бетона и кирпичной крошки, глины и земли. Так же как и основные наполнители — щебень и песок — отсев должен быть тщательно промыт в емкости или из шланга.

При замесе должна соблюдаться установленная для требуемой марки бетона пропорция воды. Она характеризуется водоцементным отношением — количеством воды в литрах от массы цемента. Для рассмотренного выше примера бетона М150 это соотношение составляет 0,75 при использовании цемента М400 и 0,85 для М500. Первоначально в сухую смесь добавляется около 80% объема воды, после перемешивания постепенно вводят остаток до получения однородной вязкой массы.

В некоторых случаях, особенно при заливке сложной или объемной опалубки, добавлением избыточной воды пытаются повысить текучесть и укладываемость бетона, что при затвердевании может привести к сильной усадке, трещинообразованию и крошению состава.

Песок и щебень

Для изготовления монолитного бетона применяют песок различного типа — речной, морской, карьерный. В составе должны присутствовать зерна разного размера — крупные, средние и мелкие — для обеспечения пустотности не выше 38%. Крупность зерен не должна превышать 10 мм, при этом доля гранул с размером 5 — 10 мм не должна превышать 5%.

Содержание глины в песке не должно быть больше 3%, а пылевидных частиц — 10%. Для очистки от примесей на карьерах выполняют просев и промывку песка.

В качестве крупного заполнителя рекомендуется применять щебень, отличающийся от гравия развитой формой поверхности. Для ответственных конструкций лучшим вариантом служит прочный гранитный щебень, для бетонных работ неответственного назначения можно применять известняковый. Так же как и песок, щебень должен содержать крупную и мелкую фракцию для обеспечения показателя пустотности не менее 45%.

Для щебня допустимое содержание глины, пылевидных и илистых примесей составляет не более 1%.

Раствор своими руками

Замешивание раствора.

В индивидуальном строительстве раствор часто приготавливают своими силами. В зависимости от объема замес производят в имеющейся емкости или с помощью собственной или арендованной бетономешалки.

Все компоненты смеси — цемент, песок, щебень и отсев — с соблюдением необходимой пропорции сначала перемешиваются в сухом виде до получения однородной массы.

После этого в смесь при постоянном перемешивании добавляется вода — первоначально до 80% расчетного объема, затем небольшими порциями до достижения требуемой консистенции раствора.

Если для укладки приготовленного замеса требуется более 2-х часов, необходимо следить за его влажностью и периодически перемешивать. Добавлять воду следует только для компенсации ее испарения, не делая приготовленный состав излишне влажным.

Расчет и улучшение качеств

Прежде чем приступить к закупке материалов и выполнению работ, следует выполнить несложные расчеты, позволяющие запланировать необходимый объем материалов. Излишняя закупка или остаток приготовленного бетона могут нивелировать всю полученную от применения отсева экономию.

Расчет начинается с определения общего объема бетонирования или стяжки с учетом длины, ширины и высоты слоя. Полученный объем следует разделить пополам — объем воды и сухой смеси составляют по 50% от общего.

25% от кубатуры сухой смеси составляет цемент, объем которого нужно пересчитать в килограммы, пользуясь средней плотностью 1300 кг/м³. Если цемент планируется приобретать в мешках, то для определения их количества полученную массу следует разделить на 50.

Данный расчет можно рассмотреть для практического примера устройства бетонной площадки размером 2×5 м с толщиной слоя 10 см.

Общий объем монолита составляет 2×5×0,1=1 м³.

Объем сухой смеси составляет 50% — 0,5 м³.

Требуемое количество цемента 0,5×0,25=0,125м³ или 0,125×1,3=0,1625 тн, что составляет 3,25 мешка по 50 кг. С учетом рекомендуемого специалистами 10%-го запаса материала для рассматриваемого объекта правильным будет приобрести 4 мешка цемента требуемой марки.

Бетон из отсева и цемента пропорции

Особенности смешивания

Если вы решили приготовить раствор для стяжки пола, пропорции вы можете узнать, прочитав данную статью

Однако важно знать и то, как производится смешивание ингредиентов. Нужно учесть, что сухие и жидкие составляющие следует смешивать в разных емкостях

Первоначально необходимо соединить все сухие компоненты, в том числе, фибру, цемент и песок. Используйте раствор цемент марки М 400, смешав его с песком, при этом необходимо использовать соотношение 1 к 3. Таким образом, на 50 килограммов песка будет необходимо 16,7 кг цемента. Сухие элементы нужно перемешивать в течении 5 минут. Далее следует перейти к другой емкости, в которой добавляется пластификатор и вода. На 50-килограммовый мешок цемента следует добавить примерно 190 граммов пластификатора. Вода должна быть добавлена в количестве 1/3 части от массы цемента.

На третью часть мешка цемента будет нужно добавить 5,6 литров воды. Замешивая раствор для стяжки пола (пропорция каждой марки указана выше), необходимо учесть, что на пластификатор придется 0,6 литра. Если вы решили самостоятельно приготовить раствор для стяжки пола, пропорции для него представлены в данной статье. После завершения всех вышеописанных действий можно начинать смешивать жидкие составляющие, для этого в емкость с жидкостью нужно постепенно добавлять сухую смесь, хорошо при этом размешивая ее. Если вылить жидкость в сухую смесь, то будут образовываться комки, избавиться от них после будет очень сложно.

Соотношение материалов в растворе


Чтобы изготовить раствор без применения песка, соотношение цемента и отсева для бетона должно быть следующим:
  • Цемент марки 400 – 1 часть;
  • Наполнитель (лучше всего применять гранитный отсев) – 8 частей.

Также необходима вода, которая должна составлять не более 20% от общего объема.

Соотношение направленно на получение бетона М150. Если же строитель считает, что запас прочности такого раствора слишком мал, ему следует применять цемент высшей марки. Например, если для приготовления смеси использовать цемент марки 500, то вышеописанное соотношение позволит изготовить раствор М250.

Если мастера смущает полное отсутствие песка, он может заменить его частично. При этом потребуется добавление щебня.

Итак, если готовится бетон из отсева, песка и цемента, пропорции будут таковы:

  • Цемент марки 400 – 1 часть;
  • Измельченная порода – 1-2 части;
  • Щебенка – 3 части;
  • Песок – 3 части;
  • Вода – максимум 20%.

При данном соотношении добавление отсева почти не влияет на приумножение объема смеси, так как гранулы заполняют прорехи между щебенкой, а также являются связующим звеном между щебнем и песком.

Повлиять на прочность раствора можно тем же способом, что и в первом случае, и никак иначе. Рассматривая бетон на отсеве это правило можно отнести в минусы.

К сожалению, многие новички полагают, что на прочностные качества бетона влияет не смена марки цемента, а увеличение частей данного материала. Не стоит повторять данную ошибку: избыточный цемент в несколько раз снижает качество раствора.

Также следует обратить внимание на то, что для изготовления высококлассного бетона следует применять исключительно цемент с не истекшим сроком годности, кроме того материал должен быть без примесей. Вода для приготовления бетона должна быть чистой (лучше использовать питьевую воду)

Итак, отсев в бетоне – хорошо или плохо? Учитывая популярность данного наполнителя при изготовлении бетонной смеси, можно прийти к выводу, что применение измельченной породы является вполне целесообразным решением. Отсев весьма востребован в сфере строительства благодаря своим неоспоримым достоинствам. Материал выгоден с финансовой точки зрения, кроме того, он позволяет изготовить долговечный и прочный бетон. Однако стоит помнить, что все преимущества отсева теряются, если при создании раствора были соблюдены неправильные пропорции.

Видео приготовления бетонной смеси из отсева и цемента:

Стяжка пола с гранитным отсевом

Содержание:

  1. Что такое гранитный отсев
  2. Характеристики гранитного отсева
  3. Пропорции компонентов для изготовления смеси
  4. Требования к гранитному отсеву
  5. Приготовление смеси
  6. Заключение

Каким должен быть пол в доме? Ответ напрашивается сам: ровным, прочным и долговечным. Для его получения могут использоваться разные материалы, но самым популярным, вероятно, следует назвать бетон. Один из его компонентов – песок – можно частично заменить гранитным отсевом. Имеет ли это смысл? Попробуем ответить.

Что такое гранитный отсев

Гранитным отсевом называют сыпучий строительный материал с размером зерна не более 5 мм. Все, что больше – считается щебнем. Фактически – это побочный продукт, который получается при дроблении гранитной породы.

Как изготавливается гранитный щебень, можно увидеть на видео ниже:

Характеристики гранитного отсева

Гранитный отсев – это производная от гранитного щебня, поэтому имеет такие же свойства. Он износостоек, прочен, морозостоек, выдерживает высокие механические нагрузки и имеет низкую гигроскопичность. Один кубометр отсева весит примерно 1,3–1,5 т. Чаще всего встречается материал двух цветов: серого и красного. Иногда гранитный отсев может иметь желтый или черный оттенок.

Пропорции компонентов для изготовления смеси

Гранитным отсевом можно заменить песок в растворе полностью или частично. При полной замене пропорции цемента и отсева составляют от 1:6 до 1:8. Для приготовления смеси лучше использовать цемент марок М400 или М500. В первом случае получится бетон марки М150, во втором – М250. И тот, и другой подходят для использования в качестве напольного покрытия, но второй предназначен для бо́льших нагрузок (например, для устройства пола в гараже).

При частичной замене гранитным отсевом песка соотношения цемента, песка и отсева будут следующими: 1:3:3 или 1:4:4. Для приготовления бетона можно дополнительно использовать щебень. В этом случае соотношения цемента, песка, отсева и щебня будут следующими: 1:3:1:3 или 1:3:2:3. Отсев в смеси заполняет пустоты между зернами щебня и практически не влияет на изменение объема бетона.

Для приготовления раствора используется мытый крупнозернистый песок с размером зерна 2,5–3 мм.

Воды в обоих вариантах понадобится одинаковое количество: не более 20 % от общего количества полученной смеси.

Требования к гранитному отсеву

Для приготовления бетона подходит гранитный отсев с размером зерна от 1,5 до 4 мм. Если его фракция будет меньше, то такой наполнитель снизит качество смеси. Перед применением отсев желательно просеять.

Стяжка, выполненная раствором с использованием наполнителя крупной фракции, прочнее и менее подвержена растрескиванию, но ее сложнее укладывать.

Еще одна особенность – нельзя применять гранитный отсев черного или желтого цвета. В первом случае оттенок указывает на наличие в материале примесей графита, во втором – глины. Они препятствуют качественному сцеплению заполнителя с цементным камнем и в результате снижают прочность и долговечность бетона.

Особенности выполнения стяжки

Есть одно общее правило: если толщина слоя стяжки более 50 мм, она в обязательном порядке армируется. При толщине свыше 100 мм – армируется в два ряда. Вместо стандартного армирующего материала – арматуры – удобно использовать полипропиленовое фиброволокно. Оно экологически безопасно и хорошо переносит химические воздействия. Фибробетон имеет высокую стойкость к ударным нагрузкам и сохраняет свои прочностные качества десятилетиями.

Подробней о фиброволокне – на видео ниже:

Чтобы получить стяжку максимально высокого качества, необходимо использовать виброрейку. Она хорошо уплотняет и утрамбовывает смесь. В противном случае в бетоне останутся полости, заполненные воздухом. А значит и прослужит он недолго. Виброрейка позволяет разровнять бетонную смесь и не допустить образование пустот. В результате напольное покрытие будет долговечным.

Пример использования виброрейки для выполнения стяжки можно увидеть на видео ниже:

После окончания работ в помещении должна поддерживаться температура не ниже +5 °С. Сквозняки необходимо исключить. Стяжку желательно на неделю укрыть полиэтиленовой пленкой. Это замедлит процесс испарения воды и минимизирует растрескивание смеси. Полное застывание происходит за 30 дней. Только после этого можно выполнять отделочные работы.

Заключение

Гранитный отсев позволяет получить прочное и долговечное напольное покрытие при использовании двух инструментов: бетономешалки и виброрейки. Это гарантия получения качественного раствора и его правильной укладки. Выполнение таких стяжек оптимально для помещений с повышенной нагрузкой.

лучшие соотношения и методика изготовления раствора

Бетон из отсева широко используется в строительстве благодаря низкой стоимости компонентов и приемлемому качеству. Разберем пропорции и технологию приготовления такого раствора.

Применение бетонного раствора, приготовленного с использованием отсева щебня – распространенная практика в строительстве. Такой раствор имеет низкую себестоимость, а качества монолита, полученного после застывания бетонной массы, достаточны для решения большинства задач. Разберемся, каковы пропорции компонентов для бетонного раствора из отсева, а также рассмотрим технологию приготовления этого состава.

Применение отсева при приготовлении бетона

В процессе приготовления щебня образуются частицы различного диаметра. После пропускания их через сита образуются различные фракции щебня и отсев – наиболее мелкие частицы, которые нельзя включить ни в одну из фракций. Хотя отсев и не может использоваться вместе со щебнем, он вполне способен заменить песок при приготовлении многих марок бетонного раствора.

Использование отсева выглядит привлекательным в экономическом плане. Однако периодически на строительных форумах попадаются жалобы на низкое качество полученного в результате бетонного монолита. Поэтому перед началом строительных работ многие строители задаются вопросом: стоит ли экономить, или лучше использовать песок и не волноваться за качество готового бетона.

Специалисты говорят, что в ряде случаев использование отсева вместо песка не только возможно, но даже предпочтительно. Такие растворы делают не только в индивидуальном строительстве, но и на централизованном производств в условиях бетонных заводов.

Жалобы на низкое качество, как правило, связаны с одной из трех причин:

  • Заведомо завышенные ожидания.
  • Ошибка при выборе марки отсева. Здесь причиной может быть неверно подобранный материал, размер частиц или низкое качество наполнителя (большая доля глинистых и пылевых частиц в составе).
  • Нарушение технологии приготовления раствора.

Мы приводим таблицу пригодности различных марок отсева для приготовления разных разновидностей бетонных растворов. С ее помощью вы легко поймете, в каких случаях можно взять отсев, а в каких – лучше оставить песок:

Данная таблица имеет рекомендательный характер. Данные могут несколько отличаться, в зависимости от региона. К примеру, отсев диорита, для которого указана низкая пригодность для изготовления бетона, имеет вполне соответствующие прочностные характеристики. Такая оценка ему присвоена из-за высокой цены во многих областях нашей страны.

Достоинства и недостатки по сравнению с песком

Отсев обладает рядом преимуществ по сравнению с песком. Эти особенности делают его отличным выбором в качестве наполнителя для приготовления бетонной массы:

  • Отсев является побочным продуктом изготовления щебня или демонтажа старых бетонных конструкций. Это делает его значительно более дешевым материалом, по сравнению с песком. Использование более дешевого наполнителя позволяет снизить себестоимость каждого кубометра раствора, что дает существенную экономию средств при масштабных работах.
  • Отсев прочен, хорошо заполняет все пустоты в опалубке, практически не боится перепадов температур. Это положительно сказывается на долговечности бетонного монолита и повышает срок службы готового изделия.
  • В приготовленном по технологии отсеве нет глинистых или органических примесей. Содержание пылевых частиц зависит от сорта, но, как правило, также ниже, чем в песке. Кроме того, отсев легче промыть от пыли.

На формирование цены отсева большое влияние оказывает стоимость транспортировки. В зависимости от расстояния от карьера до стройплощадки, а также продуманности решений в области логистики, себестоимость даже высококачественных разновидностей этого наполнителя может оказаться очень низкой.

При этом у отсева некоторых горных пород (к примеру, гранита, диабаза и т.д.) есть ряд специфических особенностей. Прежде всего, гранит, в зависимости от месторождения, может обладать достаточно заметной фоновой радиоактивностью. Чтобы материал соответствовал требованиям безопасности и годился для применения в жилищном строительстве, показатель его радиоактивности не должен превышать значение в 370 Бк/кг.

Вторая особенность – различия в гидрофильности, связанные с кислотностью горной породы. Так, породы с кислой средой (к примеру, гранит), хорошо насыщаются водой и придают бетонной массе плотную однородную структуру. У пород со щелочной реакцией среды (известняк, диабаз) наблюдается гидрофобный эффект. Поэтому к бетонному раствору придется добавлять пластификаторы.

Бетон из отсева и песка: подбираем пропорции

Соотношение компонентов, использованных для приготовления бетонной массы, существенно влияет на ее прочность, долговечность и эксплуатационные характеристики. Классический рецепт подразумевает использование цементного порошка, песка и щебня. Отсев (в зависимости от зернистости) применяют как для замены песка, так и для замены щебня.

Чтобы рассчитать оптимальные соотношения для раствора, в котором отсевом частично заменяется крупный, а частично – мелкий наполнитель, воспользуйтесь приведенной таблицей:

Таблица составлена с расчетом на использование цемента марки М400. Вес цементного порошка берется за единицу, а вес основных компонентов получается перемножением приведенных массовых долей на вес цемента. К примеру, чтобы приготовить 1 куб.м. бетона М200, понадобится:

  • Цемента М400 – 286 кг.
  • Щебня – 286 кг х 3,9 = 1115,4 кг.
  • Песка – 286 кг х 1,7 = 486,2 кг.
  • Отсева – 286 кг х 2 = 572 кг.

Вес всех компонентов приведен в расчете на сухое состояние. Вес воды получают, умножив общую массу сухого вещества на 0,2. Для нашего примера понадобится 2459,6 кг х 0,2 = 491,92 кг (или л.) воды.

Для удобства работы полученные значения округляют до целых значений и пересчитывают на ведра.

Раствор без песка: используем только отсев

Для изготовления мелкозернистых разновидностей бетонной массы допускается полная замена как песка, так и щебня на отсев. Раствор, таким образом, состоит только из двух сухих компонентов: цементного порошка и отсева. Пропорции для этого случая приведены в таблице:

Принцип расчета аналогичен предыдущему: берем массу цемента, умножаем ее на долю отсева в выбранной разновидности цементной массы, и получаем массу сухих компонентов. Так, для разновидности М300 потребуется (на 1 куб. м.) 382 кг цемента М400 и 382 кг х 4,5 = 1719 кг отсева. Как и в прошлом случае, масса воды составляет 20% (0,2) от массы сухих компонентов.

Особенности раствора из гранитного отсева

Гранитный отсев получается при дроблении гранитных пластов. Частицы отсева в этом случае обладают высокой твердостью и практически не боятся механической деформации или перепадов температуры.

Гранитная крошка отличается неровными краями, что положительно сказывается на способности связываться с цементом в прочный монолит. Диаметр частиц, как правило, составляет 2-5 мм. Характерная особенность гранитного отсева – красивая естественная окраска (розовая, зеленоватая, серая). Бетонная масса, приготовленная с добавлением гранитного отсева, хорошо подходит для изготовления тротуарной плитки и других декоративных конструкций.

Демонтаж бетонных конструкций, отживших положенное время, также сопровождается образованием отсева. Выделяют как чисто бетонный отсев, так и материал с добавлением крошки кирпича, полученной при демонтаже старой кладки. При низкой себестоимости такого отсева его свойства менее стабильны: во многом они зависят от качества исходного бетонного монолита, а также степени развития процессов его естественного разрушения.

Характеристики конкретной партии бетонной крошки могут отличаться от значений, заявленных производителем. Поэтому использовать раствор на основе бетонного отсева допускается для изготовления изделий, не несущих значительных нагрузок: дорожек в парках, полов в технических помещениях, садовых конструкций и т.д.

Изготовление бетона: технология смешивания

Смешивание больших партий проводят с помощью бетономешалок, поскольку вручную вымешивать раствор трудно. Кроме того, при таком смешивании почти невозможно гарантировать однородность массы. Вот алгоритм работы:

  • Цемент и отсев отмеряют согласно ранее сделанным расчетам. Каждый компонент просеивают, чтобы убедиться, что в материале нет камней, мусора и других нежелательных примесей.
  • Сухие материалы в заданных пропорциях загружают в бетономешалку и тщательно смешивают.
  • Вода добавляется небольшими порциями и тщательно перемешивается. Избыток воды приведет к появлению трещин на монолите, поэтому спешить с ее добавлением не стоит.

Советы профессионалов

Чтобы вы лучше представили себе технологию приготовления раствора из цементного порошка и отсева, мы подготовили несколько полезных видеоматериалов. Эти ролики также содержат полезные советы от опытных строителей по приготовлению бетонного раствора из отсева:

При правильном подборе пропорций и использовании качественных компонентов бетонный раствор, замешанный с применением отсева, не уступит традиционной цементно-песчано-щебеночной смеси. При этом достигается существенная экономия средств, что делает применение отсева в строительстве оправданным решением. Удачи в работе!

Где можно использовать бетон из отсева и цемента пропорции

Большинство желающих возвести собственный загородный дом, дачу или гараж, задаются вопросом касаемо цены проекта. Сэкономить помогут доступные стройматериалы. Один из таких – экономичный, с достаточными механическими параметрами бетон из отсева. Бетон получил наибольшее распространение в сфере строительства. Ознакомимся с тем, что требуется для изготовления бетон из отсева и цемента пропорции, какими должны быть пропорции и в чем особенности этого наполнителя.

Рисунок 1. Приготовление бетонного раствора

Виды отсева

Отсев – это горная порода, которую измельчили и рассортировали по размеру. Еще под понятие «отсев» относятся вторичные обработанные строительные материалы. Он популярен за счет низкой цены и доступности. При этом, это экологически чистое сырье, безвредное для здоровья человека независимо от размера фракции. Если сравнивать его с песком, имеет следующие преимущества:

  • однородный состав, не содержащий глину или органику;
  • прочен, безопасен и устойчив к минусовым температурам;
  • отходы дробления в некоторых ситуациях заменяют песок;
  • бетон из отсева, сделанный без дополнения щебня – дешевле, при этом обладает аналогичными параметрами;
  • пригоден не только для получения бетона, но и как самостоятельный сыпучий материал.

Отсев классифицируется по размеру и исходному материалу. Распространены следующие размеры – 0,1 – 10 мм. В применении чаще остальных встречаются фракции в величину 1,5 – 4 мм. Мельчайшие элементы отделяются вымыванием – их раскладывают на ровной, прочной плоскости и поливают водой под давлением. Наиболее мелкие частички вымываются из общей массы струей воды. То, что осталось, подходит для дальнейших целей.

При желании, делается бетон из отсева. Полученный раствор пригоден для многих задач: строительство домов, железобетонных конструкций, устройство автомобильных дорог и так далее. Отсев-наполнитель бывает нескольких видов: из гранита, бетона, из бетона и кирпича.

Гранитный

Получил наибольшее распространение, в первую очередь за счет высоких эксплуатационных свойств. Гранитный раствор из отсева позволяет сделать бетон высокого класса прочности. Производится из гранитных частичек, имеющих размер от 0,1 до 1 см. Такой отсев характерен серым или красным цветом.

Положительные качества гранитного отсева:

  • доступная цена. Благодаря демократичной стоимости снижается общая цена проекта. Аналогичный, но щебневый состав обойдется дороже;
  • отсев из гранита может использоваться вместо песка в бетоне, причем как частично, так и полностью;
  • визуальные характеристики. Из частиц красного цвета нередко делают декоративные бетонные элементы, например, колонны, плитку и многое другое;
  • повышает эксплуатационные параметры готового изделия. Если грамотно соблюсти пропорции, плотность бетона повышается, а вместе с ней и несущая способность готовой конструкции.

Иногда гранитную крошку подмешивают в состав асфальтовых покрытий автомобильных дорог, что повышает качество сцепления с шинами.

Рисунок 2. Гранитные гранулы

Бетонный

Этот вид отсева изготавливается путем переработки (измельчения) бетонных конструкций, отслуживших свой срок службы. Отличительная черта – в структуре бетона уже завершились все процессы. Поэтому, при повторном контакте с цементом, эти процессы будут менее интенсивными и длительными.

Благодаря вторичному использованию сырья отсев характерен доступностью. Экономичность достигается также в ходе доставки и обработки. Бетонный отсев широко востребован для дорожного строительства, создания ЖБИ-конструкций и благоустройства территорий. Размеры крошек «переработанного» бетона — от 1 до 10 мм.

Рисунок 3. Бетонный отсев

Отсев бетона и кирпича

Бетонно-кирпичный отсев получается путем дробления старых стен, сделанных из кирпича. Бетон, изготовленный таким способом, используется для возведения разных элементов сооружений, включая фундамент.

Важно! В составе смеси не только мелкие частички кирпича, но и цементный камень, фракции других стройматериалов.

Приготовление бетона

Раствор можно сделать и самостоятельно. Лучше всего это делать воспользовавшись бетономешалкой. Если этой строительной машины нет, подойдет любая емкость для подготовки будущего замеса. Для приготовления бетона из отсева и цемента требуется соблюдение точных пропорций, чтобы получить нужные эксплуатационные качества. Каждый компонент играет значимую роль.

Рисунок 4. Приготовление бетонной смеси

Пропорции

Смесь изготавливается с учетом множества факторов. В строительном растворе цемент играет значимую роль. Для создания качественной смеси важно выбрать подходящую марку цемента. Сырье с высокой маркировкой обеспечивает лучшее сцепление бетона с разными поверхностями.

Важно соблюдать сроки хранения цемента, так как, будучи неиспользуемым, снижаются его эксплуатационные свойства. Например, спустя месяц прочность снизиться на 10%. Есть способ узнать, пригоден ли цемент. Для этого его зачерпывают в ладонь и сжимают. Если цемент имеет рассыпчатую структуру, значит из него получится хороший раствор. Маркировка материала напрямую влияет на цену. Но, чем выше цифра рядом с буквой «М», тем лучшими эксплуатационными качествами обладает цемент.

Конкретный вид отсева выбирают учитывая уровень нагрузок, которые будет выдерживать покрытие. Также важны температурные условия эксплуатации. Более дешевым будет тот раствор, который делался из гранита и цемента. Вариант подороже – замес песка с щебнем. Пример, где задача – залить двор. Тут дополнительным элементом служит армирующая сетка. Толщина слоя заливки – 7 см. Смесь на основе гранита готовится в следующей пропорции: цемент М400 (1 часть), отсев (8) и не больше 20% воды. Приготовленная масса будет иметь прочность М150. Гранит приходит на помощь, если нужно залить фундамент. В случае со двором, понадобится подушка из песка. Впрочем, последний легко заменяет сам отсев, который сперва трамбуют, а уже далее заливают. Толщина здесь требуется не меньше 5 см.

Вода

Значимую роль играют пропорции воды. Конечная масса должна иметь среднюю консистенцию, от этого и отталкиваются, определяя количество воды. Если ее будет слишком много, структура смеси нарушится и даст сильную усадку в ходе применения. Это не только снижает несущую способность материала, но и нередко приводит к образованию трещин. Качество воды также важно. На предприятиях, производя высокопрочный бетон, используют не техническую, а питьевую воду.

Выше были описаны пропорции для смеси без песка. Его не обязательно исключать полностью, достаточно заменить частично. Но придется добавлять щебень. Пропорции будут выглядеть так:

  • цемент М400 – 1 часть;
  • отсев – 1 – 2;
  • щебень – 3;
  • песок – 3;
  • вода – не более 20%.

Важно! При таком соотношении добавляемый отсев не увеличивает конечный объем смеси. Его вспомогательная роль сводится к связыванию песка с щебнем.

По мнению новичков из сферы строительства, чем больше добавить цемента, тем прочнее получится бетон. Это ошибочное мнение: лишний цемент только снизит качество материала. Значение здесь играет только марка.

Приготовление раствора

Если в планах изготовить большой объем бетона, удобнее и быстрее работать с мешалкой. Вручную сделать работы не только тяжелее, это также отразится на конечном качестве продукта. Все подготовленные компоненты в правильном соотношении засыпаются в бетономешалку или специальную емкость. Далее их мешают до тех пор, пока не образуется однородная масса. Только в конце, и то в малых порциях, необходимо вводить воду. На этом этапе требуется постоянное перемешивание. Масса и увлажненность должны быть однородными – только такой раствор готов к применению.

Готовую массу следует использовать в ближайшие два часа с момента приготовления. Далее ее свойства начнут теряться. Бывает, что в ходе замеса испаряется влага. Добавлять разрешается такое ее количество, которое необходимо для достижения нужной консистенции. Нередко смесь делается с использованием уже влажных компонентов – это может стать причиной снижения количества воды.

Рисунок 5. Добавление воды в смесь

Заключение

Отсев нашел свое применение для изготовления бетона. Он используется как наполнитель и имеет массу достоинств, за счет чего так популярен среди строителей. Решение не только экономичнее, но и позволяет создать прочный и долговечный бетон. Единственная сложность – требуется строгое соблюдение всех пропорций. Не менее важно задействовать качественные компоненты, без сторонних примесей, способных повлиять на конечные свойства состава. К отсевам относят экологически чистые и безвредные гранитные или бетонные частички.

Как использовать Dropout с Keras? - MachineCurve

Когда у вас есть набор данных ограниченного размера, переоснащение является большой проблемой. То есть, хотя ваши результаты обучения могут быть хорошими, вполне вероятно, что они не обобщаются на данные, которые не были получены во время обучения.

Это серьезно влияет на удобство использования вашего модуля машинного обучения в производственной среде.

К счастью, с помощью методов регуляризации можно уменьшить переобучение. Отсев - такая техника. В этом сообщении блога мы расскажем, как реализовать нейронные сети на основе Keras с Dropout.Мы делаем это, сначала вспоминая основы Dropout, чтобы понять на высоком уровне, с чем мы работаем. Во-вторых, мы рассмотрим, как Dropout представлен в API Keras, а затем разработаем классификатор ConvNet для набора данных CIFAR-10. Впоследствии мы предоставляем реализацию с объясненным примером кода и делимся результатами нашего процесса обучения.

Готовы? Пошли! 😊

Резюме: что такое выпадение?

Прежде чем обсуждать реализацию Dropout в API Keras, дизайн нашей модели и ее реализацию, давайте сначала вспомним, что такое Dropout и как он работает.

В нашем блоге «Что такое отсев? Уменьшите переоснащение в ваших нейронных сетях », мы рассмотрели, что такое Dropout теоретически. Короче говоря, это метод регуляризатора, который снижает вероятность переобучения, отбрасывая нейроны случайным образом, в каждую эпоху (или, при использовании подхода минипакет, во время каждого минипакета).

Выпадение нейронов происходит путем присоединения переменных Бернулли к нейронным выходам (Srivastava et al., 2014). Эти переменные, которые принимают значение \ (1 \) с вероятностью \ (p \) и 0 с \ (1-p \), помогают уменьшить переоснащение, «создавая присутствие других (..) агрегаты ненадежные ». Таким образом, нейронные сети не могут генерировать то, что Srivastava et al. вызывают сложные коадаптации, которые не распространяются на невидимые данные.

Вследствие этого вероятность переобучения снижается.

Давайте теперь продолжим с некоторыми передовыми практиками отсева. Если вы хотите понять концепции Dropout более подробно, я хотел бы указать вам на этот блог.

Рекомендации по выбыванию

При работе над проектами программного обеспечения и, следовательно, при разработке машинного обучения всегда лучше обратить внимание на некоторые передовые практики.Srivastava et al. (2014), которые обсуждали Dropout в своей работе «Dropout: простой способ предотвратить переоснащение нейронных сетей», эмпирически обнаружили некоторые передовые практики, которые мы будем учитывать в сегодняшней модели: для параметра \ (p \) с набором проверки вполне нормально установить его на \ (p \ приблизительно 0,5 \). Это значение показало лучшие эмпирические результаты при тестировании с набором данных MNIST.

  • Чтобы избежать дыр во входных данных, авторы утверждали, что лучше всего установить \ (p \) для входного слоя на \ (1.0 \) - фактически то же самое, что и без применения Dropout.
  • Dropout, кажется, работает лучше всего, когда используется комбинация регуляризации максимальной нормы (в Keras, с ограничением MaxNorm), высокой скоростью обучения, которая снижается до меньших значений, и большим импульсом.
  • Можно использовать любой оптимизатор. Учитывая преимущества оптимизатора Adam (импульсная оптимизация с локально адаптированными весами), мы используем его сегодня, а также лучшие практики, упомянутые выше.

    Выпадение в Keras API

    В Керасе выпадение представлено как один из основных слоев (Керас, n.d.):

      keras.layers.Dropout (rate, noise_shape = None, seed = None)  

    Его можно добавить в модель глубокого обучения Keras с помощью model.add и содержит следующие атрибуты:

    • Rate : параметр \ (p \), который определяет вероятность выпадения нейронов. Если вы не проверили, какой \ (p \) лучше всего подходит для вас с набором проверки, помните, что лучше всего установить его на \ (rate \ приблизительно 0,5 \) для скрытых слоев и \ (rate \ приблизительно 0.1 \) для входного слоя (обратите внимание, что \ (скорость \ приблизительно 0,1 \) равняется \ (p \ приблизительно 0,9 \) - Керас переворачивает логику с ног на голову, делая ставкой шансы выпадения , а не сохранения . нейрон!)
    • Форма шума: Если вы хотите разделить шум по одному из (пакет, временные шаги, функции), вы можете установить для этой цели форму шума. Подробнее о форме шума читайте здесь.
    • Seed : если вы хотите зафиксировать псевдослучайный генератор, который определяет, равны ли переменные Бернулли 1 или 0 (например,g., чтобы исключить проблемы с генератором чисел), то вы можете установить некоторое начальное число, указав здесь целочисленное значение.

    Важно: еще раз, частота выпадения (или «скорость») в Keras определяет шансы выпадения нейронов, а не их сохранения. Фактически, относительно параметра \ (p \), определенного Шриваставой и др. (2014) при обсуждении отсева, оценка , таким образом, фактически означает \ (1-p \). Если 75% нейронов сохраняются с \ (p = 0,75 \), частота должна быть \ (0.25 \).

    Проектирование классификатора ConvNet с Dropout

    Давайте теперь посмотрим, как создать нейронную сеть с Keras, которая использует Dropout для уменьшения переобучения. Для этого мы создаем сверточную нейронную сеть для классификации изображений. Затем мы обсудим набор данных, который мы используем сегодня, и дизайн нашей модели.

    Сегодняшний набор данных

    Это несколько примеров из набора данных CIFAR-10, которые мы будем использовать сегодня:

    Набор данных CIFAR-10 является одним из стандартных наборов данных машинного обучения и содержит тысячи небольших естественных изображений, разделенных на 10 классов.Например, он содержит изображения кошек, грузовиков и кораблей. Это один из вариантов по умолчанию, когда вы хотите показать, как работают определенные модели.

    Архитектура модели

    Далее архитектура нашей модели. Сегодня это выглядит так:

    Эта архитектура, которая содержит два уровня Conv2D, за которыми следует Max Pooling, а также два плотно связанных слоя, лучше всего работала в предварительном эмпирическом тестировании, поэтому я выбрал ее для использования в реальных условиях. тренировочный процесс.

    Обратите внимание, что выпадение применяется с \ (rate = 0.50 \), и то, что не видно на этой диаграмме - регуляризация максимальной нормы также применяется в каждом слое (также в плотных). Слои Conv2D изучают по 64 фильтра каждый и свертывают с ядром 3 × 3 над входом. Максимальный размер пула будет 2 x 2 пикселя.

    Функции активации на скрытом уровне - это ReLU, и, как следствие, мы используем He uniform init в качестве нашей стратегии инициализации веса.

    Что вам понадобится для запуска модели

    Если вы хотите запустить сегодняшнюю модель, вам понадобится Keras - одна из популярных в наши дни фреймворков глубокого обучения.Для этого вам понадобится один из бэкэндов (предпочтительно Tensorflow ), а также Python (или, хотя и не желательно, R).

    Реализация классификатора с помощью Dropout

    Хорошо, давайте создадим Keras ConvNet 🙂

    Откройте проводник, перейдите в какую-нибудь папку и создайте файл с именем model_dropout.py . Теперь откройте этот файл в любом редакторе кода. Итак, мы можем начать кодирование 🙂

    Импорт модели

    Первое, что нам нужно сделать, это перечислить наш импорт:

      import keras из кераса.наборы данных импорт cifar10 из keras.models импорт Последовательный from keras.layers import Dense, Dropout, Flatten из keras.layers импортировать Conv2D, MaxPooling2D из keras импортировать бэкэнд как K from keras.constraints import max_norm  

    Мы будем использовать структуру глубокого обучения keras , из которой мы будем использовать множество функций. Из keras.datasets мы импортируем набор данных CIFAR-10. Это удобный ярлык: Keras содержит указатели API на наборы данных, такие как MNIST и CIFAR-10, что означает, что вы можете загрузить их с помощью всего нескольких строк кода.Таким образом, нам не нужно много работать с загрузкой данных, поэтому мы можем полностью сосредоточиться на создании модели.

    Из keras.layers мы импортируем Dense (тип плотно связанного слоя), Dropout (который служит для регуляризации), Flatten (чтобы связать сверточные слои с плотными) и, наконец, Conv2D и MaxPooling2D - сопутствующие и связанные слои.

    Мы также импортируем модель Sequential , которая позволяет нам красиво накладывать слои друг на друга, из кера.модели .

    Затем мы импортируем бэкэнд Keras для некоторых функций подготовки данных.

    Наконец, мы импортируем max_norm Constraints, что является лучшим методом исключения и должно значительно улучшить модель.

    Конфигурация модели

    Далее мы можем указать некоторые параметры конфигурации для модели:

      # Конфигурация модели img_width, img_height = 32, 32 batch_size = 250 no_epochs = 55 no_classes = 10 validation_split = 0.2 многословие = 1 max_norm_value = 2.0  

    Образцы CIFAR-10 имеют ширину 32 пикселя и высоту 32 пикселя, поэтому мы устанавливаем img_width = img_height = 32 . Размер пакета установлен на 250, что эмпирически сработало лучше всего для CIFAR-10 с моей моделью. Я установил количество эпох равным 55, потому что, как мы увидим, разница между , и , к тому времени будут достаточно ясны.

    Количество классов, которые наша модель сможет обрабатывать - no_classes - равно 10, что соответствует количеству классов, поддерживаемых набором данных CIFAR-10.Для режима детализации установлено значение 1 (или True ), весь вывод выводится на экран. 20% данных обучения будут использоваться для целей проверки.

    Наконец, max_norm_value установлено на 2.0. Это значение указывает максимальную норму, которая приемлема для регуляризации максимальной нормы с ограничением MaxNorm Keras. Опытным путем я обнаружил, что 2.0 - хорошее соотношение цены и качества для сегодняшней модели. Однако, если вы используете его с какой-либо другой моделью и / или другим набором данных, вы должны немного поэкспериментировать, чтобы самостоятельно найти подходящее значение.

    Загрузка и подготовка данных

    Следующие шаги для добавления связаны с загрузкой и подготовкой набора данных CIFAR-10:

      # Загрузить набор данных CIFAR10 (input_train, target_train), (input_test, target_test) = cifar10.load_data () # Изменить форму данных на основе стратегии "Первый канал / последний канал". # Это зависит от того, используете ли вы TF, Theano или CNTK в качестве бэкэнда. # Источник: https://github.com/keras-team/keras/blob/master/examples/mnist_cnn.py если K.image_data_format () == 'channels_first': input_train = input_train.изменить форму (input_train.shape [0], 3, img_width, img_height) input_test = input_test.reshape (input_test.shape [0], 3, img_width, img_height) input_shape = (3, img_width, img_height) еще: input_train = input_train.reshape (input_train.shape [0], img_width, img_height, 3) input_test = input_test.reshape (input_test.shape [0], img_width, img_height, 3) input_shape = (img_width, img_height, 3) # Анализировать числа как числа с плавающей запятой input_train = input_train.astype ('float32') input_test = input_test.astype ('float32') # Нормализовать данные input_train = input_train / 255 input_test = input_test / 255 # Преобразование целевых векторов в категориальные цели target_train = керас.utils.to_categorical (target_train, no_classes) target_test = keras.utils.to_categorical (target_test, no_classes)  

    С помощью вызова Keras load_data можно очень легко загрузить CIFAR-10 в переменные для функций и целей, для наборов данных обучения и тестирования.

    После загрузки данных мы изменяем их в зависимости от используемого бэкэнда, то есть Tensorflow, Theano и CNTK, чтобы независимо от бэкэнда данные имели единообразную форму.

    Затем мы анализируем числа как числа с плавающей запятой, что предположительно ускоряет процесс обучения.Впоследствии мы нормализуем данные, которые ценят нейронные сети. Наконец, мы применяем to_categorical , чтобы гарантировать, что категориальные потери кроссэнтропии могут быть использованы для этой задачи мультиклассовой классификации.

    Определение архитектуры

    После загрузки данных мы можем определить архитектуру:

      # Создайте модель model = Последовательный () model.add (Conv2D (64, размер_ядра = (3, 3), kernel_constraint = max_norm (max_norm_value), Activation = 'relu', input_shape = input_shape, kernel_initializer = 'he_uniform')) модель.добавить (MaxPooling2D (pool_size = (2, 2))) model.add (Выпадение (0,50)) model.add (Conv2D (64, размер_ядра = (3, 3), kernel_constraint = max_norm (max_norm_value), активация = 'relu', kernel_initializer = 'he_uniform')) model.add (MaxPooling2D (размер_пул = (2, 2))) model.add (Выпадение (0,50)) model.add (Сглаживание ()) model.add (Dense (256, активация = 'relu', kernel_constraint = max_norm (max_norm_value), kernel_initializer = 'he_uniform')) model.add (Dense (no_classes, activate = 'softmax'))  

    Это соответствует архитектурной схеме, которую мы обсуждали ранее.Он имеет два Conv2D и связанных слоя, два слоя Dense и выводит мультиклассовое распределение вероятностей для выборки с функцией активации Softmax.

    Составление и обучение

    Следующим шагом является компиляция модели. Компиляция или настройка модели позволяет указать функцию потерь, оптимизатор и дополнительные показатели, такие как точность. Как уже говорилось, мы используем категориальные потери кроссэнтропии, чтобы определить разницу между прогнозом и фактической целью. Кроме того, мы используем оптимизатор Adam - в значительной степени один из стандартных оптимизаторов сегодня.

      # Скомпилируем модель model.compile (loss = keras.losses.categorical_crossentropy, optimizer = keras.optimizers.Adam (), метрики = ['точность']) # Подгонка данных к модели model.fit (input_train, target_train, batch_size = размер_пакета, эпохи = no_epochs, verbose = многословие, validation_split = validation_split )  

    После того, как наша модель была настроена, мы можем подогнать данные обучения к модели! Мы делаем это, задавая переменные input_train и target_train , а также размер пакета, количество эпох, режим детализации и разделение проверки.Их значения мы установили ранее.

    Оценка модели

    Последним шагом является добавление метрики для оценки с помощью набора тестов - чтобы определить, насколько хорошо он обобщается на данные, которые он раньше не видел. Это позволяет нам сравнивать различные модели, что мы и сделаем дальше.

      # Создание показателей обобщения оценка = model.evaluate (input_test, target_test, verbose = 0) print (f'Тест потеря: {оценка [0]} / точность теста: {оценка [1]} ')  

    Полный код модели

    Если вы хотите скопировать всю модель сразу, пожалуйста:

      импортные керасы из кераса.наборы данных импорт cifar10 из keras.models импорт Последовательный from keras.layers import Dense, Dropout, Flatten из keras.layers импортировать Conv2D, MaxPooling2D из keras импортировать бэкэнд как K из keras.constraints import max_norm # Конфигурация модели img_width, img_height = 32, 32 batch_size = 250 no_epochs = 55 no_classes = 10 validation_split = 0,2 многословие = 1 max_norm_value = 2.0 # Загрузить набор данных CIFAR10 (input_train, target_train), (input_test, target_test) = cifar10.load_data () # Изменить форму данных на основе стратегии "Первый канал / последний канал". # Это зависит от того, используете ли вы TF, Theano или CNTK в качестве бэкэнда. # Источник: https://github.com/keras-team/keras/blob/master/examples/mnist_cnn.py если K.image_data_format () == 'channels_first': input_train = input_train.reshape (input_train.shape [0], 3, img_width, img_height) input_test = input_test.reshape (input_test.shape [0], 3, img_width, img_height) input_shape = (3, img_width, img_height) еще: input_train = input_train.изменить форму (input_train.shape [0], img_width, img_height, 3) input_test = input_test.reshape (input_test.shape [0], img_width, img_height, 3) input_shape = (img_width, img_height, 3) # Анализировать числа как числа с плавающей запятой input_train = input_train.astype ('float32') input_test = input_test.astype ('float32') # Нормализовать данные input_train = input_train / 255 input_test = input_test / 255 # Преобразование целевых векторов в категориальные цели target_train = keras.utils.to_categorical (target_train, no_classes) target_test = керас.utils.to_categorical (target_test, no_classes) # Создаем модель model = Последовательный () model.add (Conv2D (64, размер_ядра = (3, 3), kernel_constraint = max_norm (max_norm_value), Activation = 'relu', input_shape = input_shape, kernel_initializer = 'he_uniform')) model.add (MaxPooling2D (размер_пул = (2, 2))) model.add (Выпадение (0,50)) model.add (Conv2D (64, размер_ядра = (3, 3), kernel_constraint = max_norm (max_norm_value), активация = 'relu', kernel_initializer = 'he_uniform')) model.add (MaxPooling2D (размер_пул = (2, 2))) модель.добавить (Выпадение (0,50)) model.add (Сглаживание ()) model.add (Dense (256, активация = 'relu', kernel_constraint = max_norm (max_norm_value), kernel_initializer = 'he_uniform')) model.add (Плотный (no_classes, активация = 'softmax')) # Скомпилируем модель model.compile (loss = keras.losses.categorical_crossentropy, optimizer = keras.optimizers.Adam (), метрики = ['точность']) # Подгонка данных к модели model.fit (input_train, target_train, batch_size = размер_пакета, эпохи = no_epochs, verbose = многословие, validation_split = validation_split ) # Генерация показателей обобщения оценка = модель.оценить (input_test, target_test, verbose = 0) print (f'Test loss: {score [0]} / Test precision: {score [1]} ')  

    Запуск модели

    Пришло время запустить модель. Откройте терминал, cd в папку, в которую вы поместили свой файл, и выполните python model_dropout.py . Затем начинается обучение!

    Результаты обучения

    Вообще говоря, модели сходятся с точностью приблизительно 65-75%, что не редкость для набора данных CIFAR-10. Однако важно увидеть, действительно ли модель переоснащена - и мы можем сделать это, проверив величину потерь.

    Потому что чего стоит модель с точностью 75%, когда она слишком самоуверенна с точки зрения ухудшения потерь? Вы по-прежнему не получите от этого пользы на практике.

    Я запускал модель несколько раз, каждый раз сравнивая две ситуации:

    • Выпадение и отсутствие выпадения;
    • Dropout с против Dropout без регуляризации максимальной нормы .
    • Выпадение с оптимизатором Адама против выпадения с оптимизатором SGD.

    Отсев или отсутствие отсева

    Разница огромна для случаев отсева и отсутствия отсева, наглядно демонстрируя преимущества отсева для уменьшения переобучения.Как вы можете видеть, в первую очередь взглянув на величину потерь, модель без Dropout довольно скоро начинает переобучаться - и это происходит значительно.

    Модель с Dropout, однако, не показывает признаков переобучения, и потери продолжают уменьшаться. Вы даже получаете модель, которая значительно превосходит модель без выпадения, даже с точки зрения точности. Это отличные новости - мы не зря делали всю свою работу!

    Выпадение с vs без регуляризации максимальной нормы

    Давайте теперь посмотрим, что происходит, когда мы применяем регуляризацию максимальной нормы, по сравнению с тем, когда мы ее пропускаем.

    Как видите, разница менее значительна, чем в случае исключения / отсутствия исключения, но все же имеет значение. Наша регуляризация максимальной нормы \ (norm = 2.0 \) (т.е. наше ограничение MaxNorm Keras) гарантирует, что переобучения не произойдет, тогда как случай без максимальной нормы начинает слегка переобучаться. Действительно, результаты Srivastava et al. (2014) могут быть подтверждены: добавление регуляризации максимальной нормы в Dropout приводит к еще большей производительности.

    Отсев с Адамом против отсева с SGD

    Что ж, результаты для этого однозначно показывают, что Адам работает намного лучше при применении Dropout по сравнению с традиционным SGD.Скорее всего, это так, потому что Адам сочетает обновление импульса и локальных параметров, что приносит пользу процессу обучения независимо от отсева.

    Сводка

    В сегодняшней записи блога мы увидели, как реализовать Dropout с помощью Keras. Основываясь на некоторой теории, мы реализовали ConvNet с Python, который использует Dropout, чтобы уменьшить вероятность переобучения.

    То, что Dropout действительно работает, подтвердили наши эксперименты. Обучившись на наборе данных CIFAR-10, созданная нами ConvNet испытывает существенное переоснащение при опущении Dropout, в то время как при добавлении Dropout переобучения не сообщается.

    Регуляризация по максимальным нормам действительно приносит пользу Dropout, еще больше снижая вероятность переобучения. Наконец, также стало ясно, что при использовании Dropout было бы неплохо использовать Adam, а не традиционный SGD.

    Спасибо за то, что прочитали MachineCurve сегодня, и я надеюсь, что вы кое-что узнали из этой статьи! 😀 Если да, я буду рад получить известие от вас - не стесняйтесь оставлять комментарии в поле для комментариев ниже. Еще раз спасибо и удачной инженерии! 😎

    Список литературы

    Srivastava, N., Хинтон, Г., Крижевский, А., Суцкевер, И., и Салахутдинов, Р. (15 июня 2014 г.). Dropout: простой способ предотвратить переоснащение нейронных сетей. Получено с http://jmlr.org/papers/v15/srivastava14a.html

    MachineCurve. (2019, 16 декабря). Что такое отсев? Уменьшите переоснащение ваших нейронных сетей. Получено с https://www.machinecurve.com/index.php/2019/12/16/what-is-dropout-reduce-overfitting-in-your-neural-networks

    Keras. (нет данных). Основные слои: выпадение. Получено с https: // keras.io / Layers / core / # dropout

    💡 Управляйте своим машинным обучением - также ознакомьтесь с этими сообщениями:

    .

    python - значение keep_prob при выпадении и получение худших результатов при выпадении

    Переполнение стека
    1. Около
    2. Товары
    3. Для команд
    1. Переполнение стека Общественные вопросы и ответы
    2. Переполнение стека для команд Где разработчики и технологи делятся частными знаниями с коллегами
    3. Вакансии Программирование и связанные с ним технические возможности карьерного роста
    4. Талант Нанимайте технических специалистов и создавайте свой бренд работодателя
    5. Реклама Обратитесь к разработчикам и технологам со всего мира
    6. О компании
    .

    [Обучающая записка] Отсев в рекуррентных сетях - Часть 2 | автор: Ceshine Lee

    http://pytorch.org/tutorials/_images/pytorch-logo-flat.png

    PyTorch

    Как упоминалось в части 1, PyTorch не обеспечивает встроенную поддержку вариационного отсева. Мы собираемся использовать реализацию из проекта salesforce / awd-lstm-lm . (Эта часть предназначена для версии PyTorch 0.2.0)

    LockedDropout можно использовать для применения одной и той же маски исключения к каждому временному шагу (как и в случае исключения ввода):

    PyTorch обычно поддерживает расположение тензоров двух последовательностей: (образцы, время, input_dim) и (time, samples, input_dim) .Приведенный выше блок кода предназначен для последней схемы. Вы можете легко изменить его для поддержки обеих схем. m создается как маска исключения для одного временного шага с формой (1, samples, input_dim) . Таким образом, для каждой последовательности выбирается новая маска, как и в Keras.

    Далее идет класс WeightDrop . Эта форма выпадения, предложенная в [2], более проста, имеет лучшую производительность и допускает различное выпадение для каждого затвора даже при установке связанных весов.Напротив, для реализации традиционного вариационного исключения может потребоваться разделение LSTM / RNN на отдельные временные шаги в циклах For.

    В _setup , WeightDrop отключает выравнивание параметров (иначе оно не будет работать с CUDA) и переименовывает целевую матрицу веса (обычно weight_hh_l0 ) в матрицу с суффиксом _raw . В вперед к целевому весу применяется маска исключения, копируется и переименовывается в исходное имя атрибута ( weight_hh_l0 ).Обратите внимание, что зарегистрированный параметр - это весовая матрица с суффиксом _raw (операции исключения не повлияют на эту весовую матрицу).

    Есть два типа сброса веса, которые контролируются вариационным параметром . Прежде чем мы сможем понять код, нам нужно знать, как работает весовая матрица: для LSTM nn.LSTM есть четыре связанных параметра: weight_ih_l0 , weight_hh_l0 , bias_ih_l0 , bias_hh_l0 .Именование должно быть достаточно очевидным: ih означает, что ввод скрыт; чч означает от скрытого до скрытого; l0 означает первый слой. Если мы используем nn.LSTM (2, 8, num_layers = 1) в качестве примера, weight_hh_l0 (U) будет иметь форму (32, 8) , что соответствует четырем воротам и восьми скрытым блокам. (32 = 8 * 4). Вы должны понимать, что это LSTM с привязанными весами. Это означает, что матрица скрытых состояний (h) имеет форму (8, batch_size) .Умножение матриц Uh даст матрицу 32 x batch_size . Каждый столбец представляет преобразованные рекуррентные входы для восьми скрытых блоков и их четырех внутренних ворот для одной единственной последовательности (обратите внимание, что PyTorch использует Uh вместо hU ):

    Внутреннее определение LSTM

    Для вариационное = True , маска формы (4 * hidden_units, 1) создается . Установка любого из элементов в ноль означает, что разрывает все повторяющиеся соединения с одним вентилем в скрытом блоке . Это кажется немного странным. Если мы хотим, чтобы выпадение соответствовало реализации связанных весов Keras (формула ниже), мы бы хотели использовать маску формы (1, hidden_units) . Установка любого из элементов в ноль означает, что разрывает все повторяющиеся соединения, исходящие от скрытого блока . (Помните, что единственная повторяющаяся маска отсева в Keras имеет форму (sample, hidden_units). ) Возможно, я ошибаюсь, или это ошибка, или автор намеренно сделал это.Я еще не уверен.

    (Reprise) Выпадение в LSTM с привязанным весом

    Для варианта = False создается маска формы (4 * hidden_units, hidden_units) . Отсюда разные маски для разных скрытых юнитов и разных ворот.

    Одно важное различие между реализацией WeightDrop и Keras заключается в том, что маска выпадения из матрицы весов может отбираться только один раз для каждой мини-партии . Если вы попытаетесь выполнить выборку один раз в каждой последовательности, то по сути, это будет использование мини-пакетов размером 1, что потеряет цель использования мини-пакетов.Это ограничение вызывает различную степень уменьшения вариации внутри каждой мини-партии, в зависимости от размера мини-партии. (Помните, что в Keras для каждой последовательности выбираются новые маски исключения.) Поэтому кажется хорошей идеей всегда начинать с конфигурации вариационная = Ложь .

    Наконец, выпадение встраивания:

    Это должно быть довольно просто. Маска исключения имеет форму (num_words, 1) , и исключение применяется на уровне слова.Как упоминалось в [1], эта реализация, вероятно, будет иметь некоторую проблему с производительностью, когда количество слов и размер встраивания большие. Но я думаю, автор считает, что это адекватный компромисс между простотой кода и производительностью.

    Собираем вместе

    Пример модели, использующей все три обсуждаемых исключения:

    (Строка 11–15) Хотя WeightDrop не требует разделения временных шагов, но требует разделения слоев RNN.Это единственный способ применить LockedDropout между слоями.

    (Строка 30) Здесь применяется выпадение встраивания в вперед .

    (Строка 31, 35) LockedDropout применяется путем простой передачи ему тензора и коэффициента отсева.

    .

    python - PyTorch - Как отключить выпадение в режиме оценки

    Переполнение стека
    1. Около
    2. Товары
    3. Для команд
    1. Переполнение стека Общественные вопросы и ответы
    2. Переполнение стека для команд
    .

    Использование Dropout с Keras и ячейкой LSTM / GRU

    Переполнение стека
    1. Около
    2. Товары
    3. Для команд
    1. Переполнение стека Общественные вопросы и ответы
    2. Переполнение стека для команд Где разработчики и технологи делятся частными знаниями с коллегами
    3. Вакансии Программирование и связанные с ним технические возможности карьерного роста
    4. Талант Нанимайте технических специалистов и создавайте свой бренд работодателя
    5. Реклама Обратитесь к разработчикам и технологам со всего мира
    6. О компании

    Загрузка…

    1. Авторизоваться зарегистрироваться
    2. текущее сообщество

    .

    Keras: разница между выпадением LSTM и повторным выпадением LSTM

    Переполнение стека
    1. Около
    2. Товары
    3. Для команд
    1. Переполнение стека Общественные вопросы и ответы
    2. Переполнение стека для команд Где разработчики и технологи делятся частными знаниями с коллегами
    3. Вакансии Программирование и связанные с ним технические возможности карьерного роста
    4. Талант
    .

    Смотрите также